Overview and Motivation

Overview and Motivation: Provide an overview of the project goals and the motivation for it

Il progetto è bastato sulla domanda “Perchè Bolzano è più visitata a Gennaio?”, e la risposta a questa domanda è stata trovata tramite un analisi dei dati disponibili sul sito istat.it, che comprendono il periodo da Gennaio 2008 a Gennaio 2016.

Si è preso in considerazione il primo mese dell’anno poichè caratterizzato dal particolare clima freddo, e poichè include alcune festività, come Capodanno o l’Epifania, che permettono una migliore organizzazione delle vacanze.

Si è quindi cercata la provincia italiana più visitata in questo mese e analizzando i dati si è capito il motivo di tale attrazione turistica.

La motivazione che ci ha spinte a porci questa domanda è stata la curiosità di scoprire quale provincia italiana potesse essere la più visitata in questo mese e perchè, e dato che viaggiare e scoprire nuove attività è una qualità che ci accomuna. (Nn so se è la verità ma mi è uscita così la frase! ahahah)

Data

Data: What is the data/how did you get it?

Il dataset principale è stato scaricato dalla banca dati dell’istat.it, sotto la voce Servizi/Turismo/Movimento dei clienti negli esercizi ricettivi - dati mensili/Paese di origine mentre per la successiva parte di analisi, che riguarda la provincia di Bolzano, i dati sono stati scaricati dal sito astat.provinz.bz.it, nelle banche dati comunali e nelle tabelle interattive dedicate al turismo.

Le osservazioni sul turismo includono:

Inoltre sono state raccolte anche coordinate geografiche che hanno permesso di realizzare le mappe presenti nel blog.

Statistical methods

Statistical methods: How did you answer the questions (e.g. what statistical techniques, etc)? It should include text justifying decisions you made (e.g. why did you remove certain observations, etc.)

Per rispondere alla domanda, si è eseguita una pulizia del dataset principale, quindi si sono rimosse osservazioni in eccesso e preso in considerazione il periodo temporale tra Gennaio 2008 e Gennaio 2016, in quanto prima del 2008 le osservazioni riguardavano solamente l’intera Italia e non le singole provincie, e dopo il 2016 si sarebbe persa la comformità delle provicie siccome nel 2017 nasce la provincia Sud Sardegna che è un raggruppamento di diverse provincie prima esistenti. Si sono, inoltre, eliminate le osservazioni riguardanti gli arrivi e le presenze totali delle varie regione.

#Pulizia dati istat
dat_istat<-dat_istat[,-c(1,4,43:16384)]#colonne in più

for(i in 3:40){  #creo nome delle variabili
  ifelse(dat_istat[1,i]=="", 
         dat_istat[3,i]<-paste(dat_istat[1,i-1],dat_istat[2,i]),
         dat_istat[3,i]<-paste(dat_istat[1,i],dat_istat[2,i]))
}
dat_istat<-dat_istat[-c(1,2),]

colnames(dat_istat)<-dat_istat[1,] #rinomino variabili
dat_istat<-dat_istat[-1,] #elimino osservazione con nomi variabili

dat_istat[,1]<-as.factor(dat_istat[,1]) #territorio in factor
dat_istat[,2]<-as.factor(dat_istat[,2]) #comune in factor

for(i in 3:40){
  dat_istat[,i]<-as.numeric(dat_istat[,i]) #osservazioni di arrivi e presenze in numeric
}

#completamento variabile territorio
dat_istat[1:3,1]<-"Italia"
for(i in 4:269){
  if(dat_istat[i,1]==""){
    dat_istat[i,1]<-dat_istat[i-1,1]
  }
}

#elimino dati dal 2000/2007 e il 2018 dato che ci sono solo misurazioni a livello nazionale e
#non su base provinciale e anche il 2017
dat_istat<-dat_istat[,-c(3:18, 37:40)]

#elimino regioni
regioni<-c("Italia","  Piemonte", "  Lombardia","  Sardegna","  Sicilia","  Lombardia","  Toscana","  Marche", 
           "  Molise","  Abruzzo","  Liguria", "  Puglia","  Campania","  Calabria", "  Lazio",
           "  Provincia Autonoma Bolzano / Bozen", "  Provincia Autonoma Trento", 
           "  Trentino Alto Adige / Südtirol", "  Veneto", "  Umbria", "  Valle d'Aosta / Vallee d'Aoste", 
           "  Friuli-Venezia Giulia", "  Emilia-Romagna", "  Basilicata")
regioni<-c(regioni, "    Sud Sardegna") #elimino anche Sud Sardegna, provincia che fino al 2016 non esisteva
indice_regioni<-0
k<-1
for(i in 1:nrow(dat_istat)){
  for(j in 1:length(regioni)){
    if((dat_istat$Territorio[i]==regioni[j])){
      indice_regioni[k]<-i
      k=k+1
    }
  }
}
dat_istat<-dat_istat[-indice_regioni,]

#indici utili
col_arrivi<- c(3,5,7,9,11,13,15,17,19)
col_presenze<-c(4,6,8,10,12,14,16,18,20)

j<-1
pari<-0
for(i in 1:110){
  pari[j]<-(2*i)
  j=j+1
}

j<-1
dispari<-0
for(i in 0:109){
  dispari[j]<-(2*i+1)
  j=j+1
}

j<-1
k<-1
p<-0
prov<-0
for(i in dispari){
  a<-unlist(str_extract_all(as.character(dat_istat$Territorio[i]), boundary("word")))
  if(length(a)>1){
    p<-a[1]
    for( j in 2:length(a)){
      p<-paste(p,a[j])
    }
  } else {
    p<-a
  }
  prov[k]<-p
  k=k+1
}

dat_istat$Territorio<-rep(prov,each=2)
dat_istat$Territorio<-as.factor(dat_istat$Territorio)

Dopo questa prima pulizia si sono creati dei dataset longitudinali che faciliteranno l’analisi esplorativa successiva.

#Creazione dati istat longitudinale
#Longitudinali Arrivi
date<-c("2008-01-01", "2009-01-01", "2010-01-01", "2011-01-01", "2012-01-01", "2013-01-01", "2014-01-01", 
        "2015-01-01", "2016-01-01")
dat_istat_long_arrivi<-data.frame(Provincia=NA, Paese_residenza=NA, Arrivi=NA, Anno=NA)
r<-1
j<-1
k<-1

for(i in pari){
  dat_istat_long_arrivi[r:(r+26),1]<-rep(as.character(dat_istat[i,1]),27)
  dat_istat_long_arrivi[r:(r+17),2]<-rep(as.character(dat_istat[1:2,2]), each=9)
  dat_istat_long_arrivi[(r+18):(r+26),2]<-"Totale"
  dat_istat_long_arrivi[r:(r+8),3]<-t(dat_istat[j:(j+1),col_arrivi])[1:9]
  dat_istat_long_arrivi[(r+9):(r+17),3]<-t(dat_istat[j:(j+1),col_arrivi])[10:18]
  tot<-0
  l<-1
  for(k in col_arrivi){
    tot[l]<-sum(dat_istat[j,k],dat_istat[j+1,k], na.rm=TRUE)
    l<-l+1
  }
  dat_istat_long_arrivi[(r+18):(r+26),3]<-tot
  dat_istat_long_arrivi[r:(r+26),4]<-rep(date,3)
  j<-j+2
  r<-r+27
}

#Longitudinali Presenze
dat_istat_long_presenze<-data.frame(Provincia=NA, Paese_residenza=NA, Presenze=NA, Anno=NA)
r<-1
j<-1
k<-1

for(i in pari){
  dat_istat_long_presenze[r:(r+26),1]<-rep(as.character(dat_istat[i,1]),27)
  dat_istat_long_presenze[r:(r+17),2]<-rep(as.character(dat_istat[1:2,2]), each=9)
  dat_istat_long_presenze[(r+18):(r+26),2]<-"Totale"
  dat_istat_long_presenze[r:(r+8),3]<-t(dat_istat[j:(j+1),col_presenze])[1:9]
  dat_istat_long_presenze[(r+9):(r+17),3]<-t(dat_istat[j:(j+1),col_presenze])[10:18]
  tot<-0
  l<-1
  for(k in col_presenze){
    tot[l]<-sum(dat_istat[j,k],dat_istat[j+1,k], na.rm=TRUE)
    l<-l+1
  }
  dat_istat_long_presenze[(r+18):(r+26),3]<-tot
  dat_istat_long_presenze[r:(r+26),4]<-rep(date,3)
  j<-j+2
  r<-r+27
}

#Dataset long arrivi e presenze
dati_istat_long<-cbind(dat_istat_long_arrivi[,c(1:3)],dat_istat_long_presenze[,c(3,4)])

E calcolato la permanenza nelle varie provincie.

dati_istat_long$Permanenza<- dati_istat_long$Presenze/dati_istat_long$Arrivi

L’analisi esplorativa ha inizio con la ricerca della provincia con più arrivi nei diversi anni, si è quindi calcolata sulla base degli arrivi totali senza distinzioni tra italiani e stranieri.

dati_arrivi<-dati_istat_long[dati_istat_long$Paese_residenza=="Totale",]

dati_arrivi_max<-data.frame(Anno=c(2008:2016), Citta=NA, Arrivo_max=NA)
ma<-0
cit<-0
j<-1
for(i in date){
  ma<-max(dati_arrivi$Arrivi[which(dati_arrivi$Anno==i)],na.rm=TRUE)
  cit<-dati_arrivi$Provincia[which(dati_arrivi$Arrivi==ma)]
  dati_arrivi_max$Citta[j]<-cit
  dati_arrivi_max$Arrivo_max[j]<-ma
  j=j+1
}


#Percentuali arrivi del totale di provincia
perc<-0
j<-1
tot<-sum(dat_istat_long_arrivi$Arrivi[which(dat_istat_long_arrivi$Paese_residenza=="Totale" 
                                            & dat_istat_long_arrivi$Anno=="2016-01-01")], na.rm=TRUE)
ind<-which(dat_istat_long_arrivi$Paese_residenza=="Totale" & dat_istat_long_arrivi$Anno=="2016-01-01")
for(i in ind){
  perc[j]<-dat_istat_long_arrivi$Arrivi[i]/tot*100
  j<-j+1
}
prov_perc_tot<-data.frame(Provincia=dat_istat$Territorio[pari], Perc_arrivi_tot=perc)

E rappresentate tramite il seguente grafico:

par(bg="#F8F8FF")
plot(dati_arrivi_max$Arrivo_max~dati_arrivi_max$Anno, ylim = c(500000,600000), 
     xlab="anni", ylab="Numero massimo di arrivi", type="b", pch=20, col="green", )
text(dati_arrivi_max$Anno,dati_arrivi_max$Arrivo_max, dati_arrivi_max$Citta, cex=.8, col="dark green")

Dove si nota che la provincia che ha avuto il maggior numero di arrivi è stata Roma, esssendo la capitale italiana, ma in due anni distinti Bolzano risulta esserne superiore in termini di arrivi.

Si nota inoltre che Bolzano nel 2016 è la provincia con il maggior numero di arrivi in assoluto negli ultimi 9 anni. Si è quindi rappresentata la distribuzione percentuale degli arrivi in questo anno con la seguente mappa.

#mappa italia con provincie gennaio 2016 
l <- leaflet(height = 750) %>%
  setView(lat = 42.76698, lng = 12.49382, zoom=6) %>%
  addCircleMarkers(lat = mappa$Latitudine[which(mappa$soglia==0)], 
                   lng = mappa$Longitudine[which(mappa$soglia==0)], 
                   col="yellow", fillColor = "gray",  opacity = 0.9, 
                   popup=paste(mappa$Provincia[which(mappa$soglia==0)], "Percentuale arrivi:",
                               round(mappa$Perc_arr_tot[which(mappa$soglia==0)],2), "%")) %>% 
  addCircleMarkers(lat = mappa$Latitudine[which(mappa$soglia==1)], 
                   lng = mappa$Longitudine[which(mappa$soglia==1)], 
                   col="green", fillColor = "lightgreen",  opacity = 0.9, 
                   popup=paste(mappa$Provincia[which(mappa$soglia==1)], "Percentuale arrivi:", 
                               round(mappa$Perc_arr_tot[which(mappa$soglia==1)],2), "%")) %>%
  addCircleMarkers(lat = mappa$Latitudine[which(mappa$soglia==2)], 
                   lng = mappa$Longitudine[which(mappa$soglia==2)], 
                   col="blue", fillColor = "lightblue",  opacity = 0.9, 
                   popup=paste(mappa$Provincia[which(mappa$soglia==2)], "Percentuale arrivi:", 
                               round(mappa$Perc_arr_tot[which(mappa$soglia==2)],2), "%")) %>%
  addCircleMarkers(lat = mappa$Latitudine[which(mappa$soglia==3)], 
                   lng = mappa$Longitudine[which(mappa$soglia==3)], 
                   col="orange", fillColor = "lightorange",  opacity = 0.9, 
                   popup=paste(mappa$Provincia[which(mappa$soglia==3)], "Percentuale arrivi:", 
                               round(mappa$Perc_arr_tot[which(mappa$soglia==3)],2), "%")) %>%
  addCircleMarkers(lat = mappa$Latitudine[which(mappa$soglia==4)], 
                   lng = mappa$Longitudine[which(mappa$soglia==4)], 
                   col="red", fillColor = "orange",  opacity = 0.9, 
                   popup=paste(mappa$Provincia[which(mappa$soglia==4)], "Percentuale arrivi:", 
                               round(mappa$Perc_arr_tot[which(mappa$soglia==4)],2), "%")) %>%
  addProviderTiles(providers$CartoDB.PositronNoLabels) %>%
  addLegend(position="topright", colors=c("yellow", "green", "blue", "orange", "red"),
            labels=c("< 1%", "< 3%", "< 5%", "< 9%", "> 10%"), title="Percentuale arrivi")
l

Essendo Gennaio un mese del periodo invernale si nota una maggiore affluenza degli arrivi nell’Italia Settentrionale.

Il maggior numero di arrivi si concentra nelle provincie con città turistiche, come ad esempio Firenze, Torino e Venezia superate dalle provincie di Milano e di Trento. Tra tutte, le due provincie che spiccano sono Roma e Bolzano, le quali hanno una percentuale di arrivi superiore al 10% ciascuna. In questo anno Bolzano si guadagna la vetta con uno scarto dello 0,3%.

Per capire proprio perchè Bolzano superi Roma nel numero di arrivi si è preso in considerazione il dataset rigurdante i dati turistici della provincia di Bolzano.

Si è preparato il dataset:

#Dataset arrivi nei comuni
dat_arr_comuni<-dat_arr_comuni[-c(118:nrow(dat_arr_comuni)),-c(10,11)]
dat_arr_comuni[,1]<-as.factor(dat_arr_comuni[,1])
for(i in 2:ncol(dat_arr_comuni)){
  dat_arr_comuni[,i]<-as.numeric(dat_arr_comuni[,i])
}

ed estratto i primi 5 comuni con il maggior numero di arrivi

max_comuni<-sort(dat_arr_comuni$semestre.invernale, decreasing = T)[2:6]
k<-1
oss_max<-0
for (i in 1:nrow(dat_arr_comuni)){
  for(j in 1:length(max_comuni)){
    if(length(which(dat_arr_comuni[i,8]==max_comuni[j]))!=0){
      oss_max[k]<-i
      k=k+1
  }
  }
}
dat_arr_comuni[oss_max, c(1,8,9)]
##                   ï..Comune semestre.invernale Saldo.Estate.Invermo
## 6                 006 Badia             119820               -30946
## 8               008 Bolzano             125663                62990
## 19          019 Castelrotto             130086                27288
## 26     026 Corvara in Badia             107131               -25251
## 88 089 Selva di Val Gardena             133918               -37674

Il primo comune è Selva di Val Gardena, a seguire Castelrotto, poi Bolzano, Badia, Corvara in Badia.

Si nota che il saldo tra estate e inverno dei comuni di Selva di Val Gardena, Badia e Coravara in Badia è negativo, cioè hanno arrivi maggiori nella stagione invernale rispetto a quella estiva ed infatti sono principalmente mete sciistiche.

Esse infatti formano il comprensorio dell’Alta Badia, e risultano essere i comuni più visitati della provincia di Bolzano nel periodo invernale, essendoci le più pregiate località sciistiche della Valle.

l <- leaflet(height = 750) %>%
  setView(lat = 46.550925,  lng = 11.828666, zoom=12) %>%
  addCircleMarkers(lat = comuni_bolzano$Latitudine[which(comuni_bolzano$ï..Comune=="Badia")], 
                   lng = comuni_bolzano$Longitudine[which(comuni_bolzano$ï..Comune=="Badia")], 
                   col = "darkblue",  opacity = 0.9, 
                   popup =
                     paste(comuni_bolzano$ï..Comune[which(comuni_bolzano$ï..Comune=="Badia")], 
                               "Permanenza media",
                               comuni_bolzano$Permanenza_media[which(comuni_bolzano$ï..Comune=="Badia")])) %>%
  addCircleMarkers(lat = comuni_bolzano$Latitudine[which(comuni_bolzano$ï..Comune=="Selva di Val Gardena")], 
                   lng = comuni_bolzano$Longitudine[which(comuni_bolzano$ï..Comune=="Selva di Val Gardena")], 
                   col = "darkblue",  opacity = 0.9, 
                   popup =
                     paste(comuni_bolzano$ï..Comune[which(comuni_bolzano$ï..Comune=="Selva di Val Gardena")], 
                               "Permanenza media",
                               comuni_bolzano$Permanenza_media[which(comuni_bolzano$ï..Comune=="Selva di Val Gardena")])) %>%
  addCircleMarkers(lat = comuni_bolzano$Latitudine[which(comuni_bolzano$ï..Comune=="Corvara in Badia")], 
                   lng = comuni_bolzano$Longitudine[which(comuni_bolzano$ï..Comune=="Corvara in Badia")], 
                   col = "darkblue",  opacity = 0.9, 
                   popup =
                     paste(comuni_bolzano$ï..Comune[which(comuni_bolzano$ï..Comune=="Corvara in Badia")], 
                               "Permanenza media",
                               comuni_bolzano$Permanenza_media[which(comuni_bolzano$ï..Comune=="Corvara in Badia")])) %>%
  addProviderTiles(providers$OpenStreetMap) %>%
  addCircles(lat=easy[,3], lng=easy[,2], col="blue", fillColor="blue") %>%
  addCircles(lat=intermediate[,3], lng=intermediate[,2], col="red", fillColor="red") %>%
  addCircles(lat=advance[,3], lng=advance[,2], col="black", fillColor="black") %>%
  addCircleMarkers(lat=46.516522,   lng=11.819034,  popup="Sella", col="brown" ) %>%
  addLegend(position="topleft", colors=c("blue", "red", "black"),
            labels=c("Semplice","Intermedia","Difficile"), title="Difficoltà piste")
l

Come si può osservare, tutti e tre i comuni godono di una posizione privilegiata sulla Sellaronda, il giro sciistico intorno al grande massiccio del Sella nelle Dolomiti, unico nel suo genere con una molteplicitá di impianti di risalita e discesa, collegati fra di loro in un panorama circondato da punte rocciose, fitti boschi e paesaggi innevati. La prevalenza di piste di bassa/media difficoltà nelle vicinanze fa sì che queste tre località siano scelte da qualsiasi tipo di sciatore, esperto e non, che può godere del paesaggio mozzafiato durante le sue discese.

La bellezza del paesaggio unita all’enorme complesso sciistico risulta essere un luogo suggestivo per trascorre la tipica settimana bianca, infatti la permanenza media dei turisti è di 5 giorni.

dat_perma_media_comuni[,1]<-as.factor(dat_perma_media_comuni[,1])
for(i in 2:ncol(dat_perma_media_comuni)){
  dat_perma_media_comuni[,i]<-as.numeric(dat_perma_media_comuni[,i])
}
aaa<-0
wo<-str_extract_all(dat_perma_media_comuni$ï..Comune[-nrow(dat_perma_media_comuni)], boundary("word"))
for (i in 1:length(wo)) {  
  a<-unlist(wo[[i]])
  a<-a[-1]
  if (length(a)>1){
      b<-a[1]
      for (j in 2:length(a)){
        b<-paste(b,a[j])
        aaa[i]<- b
      } 
  } else {
        aaa[i]<-a
  }
}
dat_perma_media_comuni$ï..Comune<-c(aaa, "Totale")
dat_perma_media_comuni[c(6,26,88),c(1,2)]
##               ï..Comune Totale
## 6                 Badia   5.23
## 26     Corvara in Badia   5.13
## 88 Selva di Val Gardena   5.42

Osservando inoltre i precedenti 9 anni si nota che il livello di permanenza nella provincia di Bolzano risulta essere sempre più elevato rispetto a Roma, dove la permanenza media è minore di 3 giorni, come mostrato dal grafico successivo.

dati_RB<-dati_istat_long[which(dati_istat_long$Provincia=="Roma" |
                                 dati_istat_long$Provincia=="Bolzano Bozen"),]
dati_RB<-dati_RB[which(dati_RB$Paese_residenza=="Totale"),]
dati_RB$Anno<-as.Date(dati_RB$Anno)

plot_ly(dati_RB, x = ~Anno, y = ~Permanenza) %>%
  add_lines(color = ~Provincia, colors = c("dark blue","red"), alpha = 0.2)

Ci si è poi chiesto chi sono i turisti che hanno permesso di raggiungere una vetta così alta alla provincia di Bolzano nel Gennaio 2016.

Analizzando i dati relativi alle provenienze, dopo un adeguata pulizia;

#Dataset provenienza
j<-1
nam<-0
for(i in 2:ncol(dat_gennaio_arr_provenienza)){
  ifelse(is.na(str_match(names(dat_gennaio_arr_provenienza)[i], ".1")),
         nam[j]<-paste(names(dat_gennaio_arr_provenienza)[i],dat_gennaio_arr_provenienza[1,i]),
         nam[j]<-paste(names(dat_gennaio_arr_provenienza)[i-1],dat_gennaio_arr_provenienza[1,i]))
  j=j+1
}
dat_gennaio_arr_provenienza[1, 2:15]<-nam
colnames(dat_gennaio_arr_provenienza)<-dat_gennaio_arr_provenienza[1,]
dat_gennaio_arr_provenienza<-dat_gennaio_arr_provenienza[-1,]

dat_gennaio_arr_provenienza[,1]<-as.factor(dat_gennaio_arr_provenienza[,1])


for(i in 2:ncol(dat_gennaio_arr_provenienza)){
  dat_gennaio_arr_provenienza[,i]<-as.numeric(dat_gennaio_arr_provenienza[,i])
}
dat_istat[c(51 , 52),c(1,2, 19)]
##       Territorio Paese di residenza dei clienti gen-16 arrivi
## 69 Bolzano Bozen                   Paesi esteri        317035
## 70 Bolzano Bozen                         Italia        244553

Si è visto che Bolzano deve il suo primato sia alla tradizionale clientela di turisti italiani e tedeschi, sia agli ospiti provenienti dagli altri paesi esteri come la Svizzera e Liechtenstein, l’Austria, e il Benelux (Paesi Bassi, Belgio e Lussemburgo).

tra<-(t(dat_gennaio_arr_provenienza[,c(1,2,4,6,8,10,12)]))
colnames(tra)<-tra[1,]
tra<-as.data.frame(tra, stringsAsFactors=FALSE)
tra[,10]<-row.names(tra)
tra<-tra[-1,]
for (i in 1:9){
  tra[,i]<-as.numeric(tra[,i])
}

som=tra[2,9] + tra[3,9] + tra[4,9] + tra[5,9]

demo <- tribble(
  ~a,      ~b,
  tra[2,9]/som*100, tra[2,10], #Germania
  tra[3,9]/som*100, tra[3,10], #Austria
  tra[4,9]/som*100, tra[4,10], #Svizzera e Liechtenstein
  tra[5,9]/som*100, tra[5,10], #Benelux
  tra[6,9]/som*100, tra[6,10] #Altri Paesi
)

ggplot(data = demo) +
  geom_bar(mapping = aes(x = b, y = a), stat = "identity", fill="lightblue") +
  labs(x = "Turisti", y = "Numero di arrivi") + 
  theme_classic() +
  theme(axis.text.y=element_blank(), axis.ticks.y=element_blank()) + 
  annotate("text", x = 1, y = 39, label = paste(round(tra[6,9]/som*100,0),"%",sep="")) +
  annotate("text", x = 2, y = 9, label = paste(round(tra[3,9]/som*100,0),"%",sep="")) +
  annotate("text", x = 3, y = 9, label = paste(round(tra[5,9]/som*100,0),"%",sep="")) +
  annotate("text", x = 4, y = 87, label = paste(round(tra[2,9]/som*100,0),"%",sep="")) +
  annotate("text", x = 5, y = 9, label = paste(round(tra[4,9]/som*100,0),"%",sep="")) +
  theme(plot.background =element_rect(fill="#F8F8FF"))

Analizzando la clientela estera viene evidenziato un turismo che proviene maggiormente dalla Germania, niente di inaspettato come viene confermato dalla storia culturale dell’Alto Adige.

La domanda successiva è stata quella di controllare quale tipologia di alberghi è stata privilegiata, e quindi dopo una pulizia dei dati raccolti dal sito astat.provinz.bz.it:

#Dataset alloggi
j<-1
nam<-0
for(i in 3:ncol(dat_gennaio_tipoall_provenienza)){
  ifelse(is.na(str_match(names(dat_gennaio_tipoall_provenienza)[i], ".1")),
         nam[j]<-paste(names(dat_gennaio_tipoall_provenienza)[i],dat_gennaio_tipoall_provenienza[1,i]),
         nam[j]<-paste(names(dat_gennaio_tipoall_provenienza)[i-1],dat_gennaio_tipoall_provenienza[1,i]))
  j=j+1
}
dat_gennaio_tipoall_provenienza[1, 3:16]<-nam
colnames(dat_gennaio_tipoall_provenienza)<-dat_gennaio_tipoall_provenienza[1,]
dat_gennaio_tipoall_provenienza<-dat_gennaio_tipoall_provenienza[-1,]

dat_gennaio_tipoall_provenienza<-dat_gennaio_tipoall_provenienza[-c(5,10),-1]
dat_gennaio_tipoall_provenienza[9,1]<-"Totale"

dat_gennaio_tipoall_provenienza[,1]<-as.factor(dat_gennaio_tipoall_provenienza[,1])
for(i in 2:ncol(dat_gennaio_tipoall_provenienza)){
  dat_gennaio_tipoall_provenienza[,i]<-as.numeric(dat_gennaio_tipoall_provenienza[,i])
}

Si è tracciato il segunete grafico:

tra<-dat_gennaio_tipoall_provenienza[,c(1,2,4,6,8,10,12)]
tra[,8]<-tra[,2]+tra[,3]+tra[,4]+tra[,5]+tra[,6]+tra[,7]


demo <- tribble(
  ~a,      ~b,
  tra[1,8]/tra[9,8]*100, as.character(tra[1,1]), #4-5 stelle
  tra[2,8]/tra[9,8]*100, as.character(tra[2,1]), #3 stelle
  tra[3,8]/tra[9,8]*100, as.character(tra[3,1]), #1-2 stelle
  tra[4,8]/tra[9,8]*100, as.character(tra[4,1]), #Residence
  tra[5,8]/tra[9,8]*100, as.character(tra[5,1]), #Campeggi
  tra[6,8]/tra[9,8]*100, as.character(tra[6,1]), #Alloggi privati
  tra[7,8]/tra[9,8]*100, as.character(tra[7,1]), #Esercizi agrituristici
  tra[8,8]/tra[9,8]*100, as.character(tra[8,1]) #Altri esercizi
)

ggplot(data = demo) +
  geom_bar(mapping = aes(x = b, y = a), stat = "identity", fill="lightgreen") +
  labs(x = "Tipologia Albergo", y = "Numero di arrivi") + 
  theme_classic() +
  theme(axis.text.y=element_blank(), axis.ticks.y=element_blank()) + 
  annotate("text", x = 1, y = 13, label = paste(round(tra[3,8]/tra[9,8]*100,0),"%",sep="")) +
  annotate("text", x = 2, y = 41, label = paste(round(tra[2,8]/tra[9,8]*100,0),"%",sep="")) +
  annotate("text", x = 3, y = 27, label = paste(round(tra[1,8]/tra[9,8]*100,0),"%",sep="")) +
  annotate("text", x = 4, y = 10, label = paste(round(tra[6,8]/tra[9,8]*100,0),"%",sep="")) +
  annotate("text", x = 5, y = 3, label = paste(round(tra[8,8]/tra[9,8]*100,0),"%",sep="")) +
  annotate("text", x = 6, y = 3, label = paste(round(tra[5,8]/tra[9,8]*100,0),"%",sep="")) +
  annotate("text", x = 7, y = 7, label = paste(round(tra[7,8]/tra[9,8]*100,0),"%",sep="")) +
  annotate("text", x = 8, y = 11, label = paste(round(tra[4,8]/tra[9,8]*100,0),"%",sep="")) + 
  theme(plot.background =element_rect(fill="#F8F8FF"))

Che mostra che i turisti nel 2016 prediligono alberghi a 3 stelle rispetto ad altri tipi di alloggi.

Our Finding

Si è quindi scoperto che Bolzano risulta essere la provincia con il più alto numero di arrivi in assoluto nei 9 anni presi in considerazione, battendo Roma, la capitale.

La maggior parte dei turisti nella provincia hanno una presenza media di 5 giorni, la tipica settimana bianca, essendo Bolzano ricca di paesaggi mozzafiato e caratterizzata dall’enorme comprensorio sciistico del Sellaronda, ma anche da interessantissime attività enogastronomiche come quelle descritte nel blog.

Reference

Related Work: Anything that inspired you, such as a paper, a web site, something we discussed in class, etc.

Dati:

Fonti:

Luoghi:

Altro: